Tutorial Guiado

Este tutorial mostra um caminho curto para estudar o projeto sem se perder.

1. Comece pelo caso XOR

Rode:

python examples/xor_exemplo.py

Esse e o melhor ponto de entrada porque:

• o dataset e pequeno
• a rede aprende um padrao nao linear simples
• fica facil relacionar entrada, saida e predicoes finais

2. Leia o fluxo do modelo

Arquivos mais importantes:

• src/core/rede_neural_core.py
• src/core/funcoes_ativacao.py
• src/data/utils.py

Ordem recomendada:

1. _forward_pass()
2. _calcular_delta_saida()
3. _backward_propagation()
4. _atualizar_parametros()
5. treinar()

3. Entenda as configuracoes

O projeto permite duas formas de uso:

API direta

rede = RedeNeural([2, 4, 1], ativacao="sigmoid", seed=42)

API organizada

modelo = RedeNeural.from_config(
    ModelConfig([2, 16, 12, 3], ativacao="relu", seed=42, funcao_custo="categorical_crossentropy")
)

TrainingConfig organiza hiperparametros como:

• epochs
• taxa_aprendizado
• batch_size
• otimizador
• l2_lambda
• dropout
• gradient_clip

4. Estude os callbacks

Callbacks deixam o treino mais limpo:

• History: guarda logs em memoria
• CSVLogger: salva um CSV
• ModelCheckpoint: salva os melhores pesos
• EarlyStopping: interrompe treino sem progresso

Exemplo mental:

treino produz logs -> callbacks observam logs -> callbacks salvam, param ou restauram pesos

5. Va para classificacao binaria

Rode:

python examples/classificacao.py
python examples/exemplo.py --no-plots

Aqui voce observa:

• normalizacao dos dados
• split treino/teste
• uso de Adam
• historico de treino
• metricas como precisao, recall e F1

6. Va para multiclasse

Rode:

python examples/multiclasse.py --no-plots

Esse exemplo mostra:

• softmax
• categorical_crossentropy
• one-hot encoding
• matriz de confusao multiclasse
• fronteira de decisao multiclasse

7. Compare configuracoes

Rode:

python -m rede_neural_do_zero benchmark --mode binario
python -m rede_neural_do_zero benchmark --config configs/benchmark/suite.yaml

Isso ajuda a responder perguntas como:

• Adam esta melhor do que SGD aqui?
• batch_size menor ajuda?
• L2 e dropout melhoraram generalizacao?

8. Verifique a qualidade do projeto

Comandos uteis:

python -m rede_neural_do_zero verify
python -m rede_neural_do_zero evaluate --config configs/evaluate/diabetes.toml

9. Melhor jeito de continuar estudando

Se voce quiser aprofundar sem se perder, siga esta ordem:

1. XOR
2. classificacao binaria
3. callbacks
4. multiclasse
5. benchmark
6. testes

Essa progressao vai do menor caso possivel ate uma base de projeto mais parecida com bibliotecas reais.